Wereldwijd werden medische bloedparasieten automatisch gescreend met behulp van eenvoudige stappen op een low-code AI-platform. De prospectieve diagnose van bloedfilms werd verbeterd door gebruik te maken van een objectdetectie- en classificatiemethode in een hybride deep learning-model. De samenwerking van actieve monitoring en goed getrainde modellen helpt bij het identificeren van hotspots van trypanosoomtransmissie.
Trypanosomiasis is een belangrijk probleem voor de volksgezondheid in verschillende regio’s over de hele wereld, waaronder Zuid-Azië en Zuidoost-Azië. De identificatie van hotspotgebieden onder actief toezicht is een fundamentele procedure om de overdracht van ziekten te beheersen. Microscopisch onderzoek is een veelgebruikte diagnostische methode. Het is echter in de eerste plaats afhankelijk van bekwaam en ervaren personeel. Om dit probleem aan te pakken, werd een programma voor kunstmatige intelligentie (AI) geïntroduceerd dat gebruik maakt van een hybride deep learning-techniek van neurale netwerkbackbones voor objectidentificatie en objectclassificatie op het interne low-code AI-platform (CiRA CORE). Het programma kan de protozoaire trypanosoomsoorten, namelijk Trypanosoma cruzi, T. brucei en T. evansi, identificeren en classificeren op basis van microscopische beelden met olie-onderdompeling. Het AI-programma maakt gebruik van patroonherkenning om meerdere protozoa binnen een enkel bloedmonster te observeren en te analyseren en markeert de kern en kinetoplast van elke parasiet als specifieke karakteristieke kenmerken met behulp van een aandachtskaart.
Om de prestaties van het AI-programma te beoordelen, worden twee unieke modules gemaakt die een verscheidenheid aan statistische metingen bieden, zoals nauwkeurigheid, herinnering, specificiteit, precisie, F1-score, misclassificatiepercentage, ROC-curven (Receiver Operating Characteristics) en Precision versus Recall (PR)-curves. De bevindingen van de beoordeling tonen aan dat het AI-algoritme effectief is in het identificeren en categoriseren van parasieten. Door een snelle, geautomatiseerde en nauwkeurige screeningtool te leveren, heeft deze technologie het potentieel om ziektebewaking en -bestrijding te transformeren. Het zou lokale functionarissen ook kunnen helpen bij het nemen van beter geïnformeerde beslissingen over strategieën voor het blokkeren van ziekteoverdracht.
Trypanosomiasis is een belangrijke uitdaging voor wereldwijde gezondheidsproblemen als gevolg van een verscheidenheid aan zoönotische soorten die ziekten bij de mens veroorzaken met een breed scala aan geografische verspreiding buiten de Afrikaanse en Amerikaanse continenten, zoals Zuid- en Zuidoost-Azië 1,2,3. Menselijke Afrikaanse trypanosomiasis (HAT) of slaapziekte, wordt veroorzaakt door Trypanosoma brucei gambiense en T. b. rhodesiense die respectievelijk de chronische en acute vormen produceren die de belangrijkste verspreiding in Afrika vertegenwoordigen. De veroorzakende parasiet behoort tot de Speekselgroep vanwege de overdracht door geïnfecteerd speeksel van tseetseevliegen4. Overwegende dat de bekende Amerikaanse trypanosomiasis (ziekte van Chagas) veroorzaakt door T. cruzi een probleem voor de volksgezondheid is voor niet-endemische landen; waaronder Canada, de VS, Europa, Australië en Japan, vanwege de frequente migratie van individuen uit endemische gebieden5. De trypanosoominfectie behoort tot de Stercoraria-groep omdat deze wordt overgedragen door de geïnfecteerde uitwerpselen van reduviid-bugs. De trypanosomiasen en trypanosomosen (Surra-ziekte) veroorzaakt door de T. evansi-infectie zijn endemisch in Afrika, Zuid-Amerika, West- en Oost-Azië en Zuid- en Zuidoost-Aziatische landen 3,6. Hoewel menselijke trypanosomiasis veroorzaakt door het trypanosoom is gerapporteerd 3,4,7,8,9,10,11,12, wordt de route van overdracht van de parasitaire infectie besproken: ofwel het mechanische of geïnfecteerde bloed via hematofaag insecten zoals tseetseevliegen en tabaniden of dazen 6,7, 8,9,10,12,13,14. Er is geen casusrapport gevonden in Thailand, maar een hoge prevalentie van de T. evansi-infectie bij hond15, racepaarden en waterbuffels in de oostelijke regio is gepubliceerd16, wat suggereert dat er een verworven overdracht tussen huisdieren zou hebben plaatsgevonden. Er werden verschillende atypische menselijke infecties gerapporteerd die werden veroorzaakt door dierlijke trypanosomen (T. vivax, T. b. brucei, T. congolense, T. lewisi en T. evansi), die niet de klassieke vormen van menselijke trypanosomen zijn. Het bewustzijn over atypische menselijke infecties kan worden onderschat, wat de noodzaak benadrukt van verbeterde diagnostische tests en veldonderzoeken voor het opsporen en bevestigen van deze atypische gevallen, en het mogelijk maken van een goede controle en behandeling van pathogene ziekten bij dieren die de wereldwijde veestapel, voedselzekerheid aantasten18 en menselijke gezondheidszorg. Dit heeft geleid tot de ontwikkeling van een mogelijke strategie die is geïntegreerd met een bestaande gemeenschappelijke methode (microscopisch onderzoek) om bloedmonsters in afgelegen gebieden snel te screenen tijdens actieve bewaking, waardoor de hotspotzones voor het beperken en beheersen van de ziekte kunnen worden geïdentificeerd.
Het hebben van een sporadische incidentie van de Surra-ziekte bij een breed scala aan huisdieren zoals dromedarissen, runderen, paardachtigen en honden die een euryxenous T. evansi oproepen, kan zoönotisch zijn voor mensen 1,4,13,14. Menselijke infectie lijkt onmogelijk omdat een trypanolytische factor in menselijk serum, tot expressie gebracht door een sra-achtig gen, in staat is om menselijke T. brucei en T. congolensete voorkomen 12,19. Bovendien, zoals het eerste casusrapport uit India aantoont, heeft de ziekte geen verband met immuungecompromitteerde hiv-patiënten4. Zoals hierboven beschreven, kan de mogelijke infectie bij de mens verband houden met een lipoproteïnedeficiëntie met hoge dichtheid met een abnormale functie van de trypanosoomlytische factor, een zeldzame autosomaal recessieve genetische aandoening, namelijkde ziekte van Tanger4. In 2016 werd ontdekt dat een Vietnamese patiënt twee wildtype APOL1-allelen bezat en een serum APOL1-concentratie binnen het normale bereik. De theorie van APOL-1-deficiëntie wordt echter niet langer als geldig beschouwd12. Daarom is een mogelijk mechanisme van trypanosoominfectie direct contact van een wond met besmet dierlijk bloed tijdens de beroepsveehouderij 4,12. Microscopisch onderzoek toont aan dat de morfologie van T. evansi een monomorfe vorm van de trypomastigote is, inclusief een overheersend lang slank, geflagelleerd en delend trypanosoom dat vergelijkbaar is met hun verwante soort T. brucei 1,12,13. De kern bevindt zich in de centrale positie met een zichtbare kleine kinetoplast in de achterste positie. Een eerdere studie gaf aan dat de parasiet in twee vergelijkbare vormen kan voorkomen, bekend als de klassieke en afgeknotte vormen. Het blijft echter noodzakelijk om hun respectieve pathogene effecten op gastheren te bevestigen20. Het verloop van de symptomen varieert, variërend van intermitterende koorts geassocieerd met koude rillingen en zweten. Suramine is gelukkig een succesvolle eerstelijnstherapie voor humane Afrikaanse trypanosomiasis in een vroeg stadium zonder invasie van het centrale zenuwstelsel (CZS), waarbij patiënten in India en Vietnam worden genezen 4,12,21.
Behalve onderzoek van klinische symptomen bestaan er verschillende diagnostische methoden voor T. evansi-parasieten, waaronder parasitologische microscopische observatie 4,9,12, serologische 4,8,9,10,12 en moleculair biologische tests 4,12. Dunne bloedfilms die met Giemsa zijn gekleurd, worden vaak gebruikt om de aanwezige parasiet te visualiseren onder microscopisch onderzoek, wat routinematig en algemeen wordt gebruikt22. De procedure lijkt echter haalbaar; Desalniettemin is het tijdrovend en arbeidsintensief, heeft het variabiliteit in de beoordeling van interbeoordelaars, is het alleen gevoelig voor een acute fase en vereist het een persoonlijke stagiair23. Zowel moleculaire biologie als serologische tests hadden ook hoogopgeleid personeel nodig om meerdere processen van monstervoorbereiding uit te voeren, waaronder het extraheren en zuiveren van de monsters voordat ze werden getest met dure apparatuur, die moeilijk te standaardiseren is, het risico op besmetting met extra-parasitaire materialen en discrepanties in de resultaten24. Op basis van de hierboven beschreven grondgedachte is snelle en vroege screeningtechnologie nodig om het veldsurveillanceonderzoek te ondersteunen en ervoor te zorgen dat het onderzoeksresultaat tijdig wordt gerapporteerd om de hotspotzone te identificeren voor verdere controle van de ziekteoverdracht 1,8. Computergestuurde apparaten (CAD) zijn voorgesteld als een innovatieve technologie voor medische gebieden, met inbegrip van histopathologische en cytopathologische taken25. De hierboven genoemde CAD werd met hoge snelheid uitgevoerd en berekend met behulp van patroonherkenning, namelijk kunstmatige intelligentie (AI). De AI-methode wordt bereikt met behulp van convolutionele neurale netwerkalgoritmen die kunnen worden gebruikt om met een groot aantal datasetmonsters om te gaan, met name een gesuperviseerde leerbenadering die een goed getraind model traint op gegevensconsumptie.
Over het algemeen is AI het vermogen van computers om taken op te lossen die deskundige intelligentie vereisen, zoals het labelen van gegevens. Machine learning (ML), een deelgebied van AI, wordt weergegeven als een computersysteem met twee verschillende processen die bestaan uit functie-extractie en patroonherkenning. Deep learning (DL), of geavanceerde ML-algoritmen, verwijst naar de ontwikkeling van geautomatiseerde programma’s en apparaten die mensachtige prestaties vergelijken met nauwkeurigheidsniveaus die groter en gelijk zijn aan die van menselijke professionals26. Momenteel is de rol van DL op medisch en veterinair gebied veelbelovend aan het uitbreiden en revolutioneren van de preventie van overdraagbare ziekten met als doel recente preventie en het begeleiden ervan naar individueel gezondheidspersoneel22,27. De potentiële DL-toepassing is grenzeloos met kwaliteitslabels en een groot aantal uitgebreide datasets, waardoor specialisten de projecttaak kunnen beheren. In het bijzonder verbeterde een vooruitgang in het digitale beeld, samen met computerondersteunde analyse, de automatische diagnose en screening in vijf gerapporteerde categorieën pathologie; met inbegrip van statische, dynamische, robotische, beeldvorming van het hele objectglaasje en hybride methoden28. Er moet rekening mee worden gehouden dat de integratie van DL-algoritmebenaderingen en digitale beeldgegevens lokale medewerkers zou kunnen aanmoedigen om de technologie in hun dagelijkse praktijk te gebruiken.
Eerder was de toename van de voorspellingsnauwkeurigheid van het gebruik van een hybride model bewezen27. Om de trypanosoomparasiet in microscopische beelden te identificeren, presenteert dit onderzoek twee hybride modellen, waarin de algoritmen YOLOv4-tiny (objectdetectie) en Densenet201 (objectclassificatie) zijn verwerkt. Van de verschillende detectiemodellen vertoonde YOLOv4-tiny met een CSPDarknet53-backbone hoge prestaties als voorspellingsresultaat in termen van lokalisatie en classificatie29. Aangezien de real-time detector de optimale balans tussen de resolutie van het ingangsnetwerk, de hoeveelheid van de convolutionele laag, de totale parameter en het aantal laaguitgangen heeft gewijzigd, is het prioriteren van hoge werksnelheden en het optimaliseren voor parallelle berekeningen verbeterd in vergelijking met eerdere versies. Dense Convolutional Network (DenseNet) is een ander populair model dat state-of-the-art resultaten behaalt in concurrerende datasets. DenseNet201 leverde een vergelijkbare validatiefout op die vergelijkbaar is met die van ResNet101; DenseNet201 heeft echter minder dan 20 miljoen parameters, wat minder is dan de meer dan 40 miljoen parameters van ResNet10130. Daarom zou het DenseNet-model de nauwkeurigheid van de voorspelling kunnen verbeteren met een toenemend aantal parameters zonder tekenen van overfitting. Hier maakt een programma voor kunstmatige intelligentie (AI) gebruik van een hybride deep learning-algoritme met neurale netwerkbackbones voor diepe detectie en classificatie op het interne CiRA CORE-platform. Het ontwikkelde programma kan de protozoaire trypanosoomsoorten, namelijk Trypanosoma cruzi, T. brucei en T. evansi, identificeren en classificeren op basis van microscopische beelden met olie-onderdompeling. Deze technologie heeft het potentieel om een revolutie teweeg te brengen in ziektebewaking en -bestrijding door een snelle, geautomatiseerde en nauwkeurige screeningsmethode te bieden. Het zou lokaal personeel kunnen helpen bij het nemen van beter geïnformeerde beslissingen over transmissieblokkerende strategieën voor parasitaire protozoaire ziekten.
Microscopische observatie voor Trypanosoma protozoa-infectie wordt vroeg en vaak gebruikt, vooral tijdens surveillance in afgelegen gebieden waar een gebrek is aan bekwame technici en arbeidsintensieve en tijdrovende processen die allemaal obstakels vormen voor het tijdig melden van de gezondheidsorganisatie. Hoewel moleculair-biologische technieken zoals immunologie en polymerasekettingreactie (PCR) zijn goedgekeurd als hooggevoelige methoden om de effectiviteit van laboratoriumbevindingen te ondersteunen, zijn er dure …
The authors have nothing to disclose.
Dit werk (Onderzoeksbeurs voor New Scholar, Grant No. RGNS 65 – 212) werd financieel ondersteund door het Bureau van de Permanent Secretaris, Ministerie van Hoger Onderwijs, Wetenschap, Onderzoek en Innovatie (OPS MHESI), Thailand Science Research and Innovation (TSRI) en King Mongkut’s Institute of Technology Ladkrabang. We zijn de National Research Council of Thailand (NRCT) [NRCT5-RSA63001-10] dankbaar voor de financiering van het onderzoeksproject. M.K. werd gefinancierd door Thailand Science Research and Innovation Fund Chulalongkorn University. We danken ook het College of Advanced Manufacturing Innovation, King Mongkut’s Institute of Technology, Ladkrabang, die het deep learning-platform en de software hebben geleverd om het onderzoeksproject te ondersteunen.
Darknet19, Darknet53 and Densenet201 | Gao Huang, Z. L., Laurens van der Maaten. Densely Connected Convolutional Networks. arXiv:1608.06993 [cs.CV]. (2016) | https://github.com/liuzhuang13/DenseNet | Deep convolutional neural network model that can function to classification Generic name: YOLO model/ detection model? |
Olympus CX31 Model CX31RRBSFA | Olympus, Tokyo, Japan | SN 4G42178 | A light microscope |
Olympus DP21-SAL U-TV0.5XC-3 | Olympus, Tokyo, Japan | SN 3D03838 | A digital camera Generic name: Classification models/ densely CNNs |
Window 10 | Microsoft | Window 10 | Operation system in computers |
YOLO v4-tiny | Naing, K. M. et al. Automatic recognition of parasitic products in stool examination using object detection approach. PeerJ Comput Sci. 8 e1065, (2022). | https://git.cira-lab.com/users/sign_in | Deep convolutional neural network model that can function to both localization and also classification |
https://git.cira-lab.com/users/sign_in |